Suivi par apprentissage profond de la cristallisation par microscopie in situ

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

• l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
• la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Suivi par apprentissage profond de la cristallisation par microscopie in situ

La production de matières plastiques ou polymères, en forte croissance depuis plusieurs décennies, représentait en 2018, 360 millions de tonnes à l’échelle mondiale. En Europe, la consommation de plastiques représente environ 100 kg/an par habitant.

Dans le cadre de ce stage, nous nous intéresserons au PET (polyéthylène téréphtalate), pour lequel le développement de procédés de recyclage chimique est un enjeu majeur pour la réduction des déchets, pour augmenter et diversifier les ressources pour la production de PET recyclé, et ainsi réduire le recours aux produits pétroliers pour la production de ce polymère.

Dans ce contexte, l’étude de la cristallisation du BHET, monomère issu du recyclage du chimique du PET et obtenu par dépolymérisation, est de premier intérêt.

Des techniques de caractérisation in situ peuvent être utilisées lors de la cristallisation, afin de suivre la genèse et la croissance des cristaux, pour caractériser la taille et la forme des cristaux générés, et ainsi mieux comprendre les mécanismes de cristallisation.

L’utilisation de sondes d’imagerie in situ permet l’acquisition de nombreuses images lors du processus de cristallisation, dont la facilité de traitement dépendra de la forme des objets et de leur quantité. En milieu concentré, les techniques usuelles de traitement d’image ne peuvent plus être utilisées, la superposition et l’enchevêtrement des objets dans l’image ne permettant pas d’isoler les objets à l’aide des algorithmes classiques de segmentation.

Les méthodes de traitement de l’image basée sur l’apprentissage profond (deep learning) constituent une solution possible pour le traitement d’images obtenues par les techniques d’imagerie in situ.

Description

L’objectif de ce stage est de développer une méthode de traitement d’image par apprentissage profond (deep learning) permettant d’accéder aux distributions de taille de particules.

Dans un premier temps, le travail portera sur la construction d’une base de données d’objets de propriétés connues, qui sera utilisée comme base d’apprentissage. Une architecture de type CNN sera ensuite entrainée. Le modèle sera validé sur un lot d’images contenant des objets de propriétés connues.

Le travail comportera également une étude bibliographique concernant le suivi in-situ par image, avec un focus sur les approches par apprentissage profondes récentes.

Profil recherché

Ingénieur ou universitaire niveau M1 ou M2 en sciences du numérique, IA, computer vision ou école d’ingénieur généraliste ou spécialisée dans ces thématiques